本文介绍了一个大规模人脸伪造检测基准 DeeperForensics-1.0，由新提出的端到端人脸交换框架生成。它包含 60,000 个视频和 17.6 万帧，是同类现有数据集的十倍大。该基准集有一个隐藏的测试集，包含了通过对真实视频进行广泛应用的方法制造的高欺骗得分的操作视频，并评估了五个代表性的检测基线并进行了彻底分析。

Jan, 2020

通过引入新的半百万级别的面部操作数据集，本文提出了对诸如经典图像取证分类、分割、以及众多优化方法进行基准测试、鉴定的处理任务，包括压缩不同质量级别下的视频，并达到超越现有所有视频操纵数据集一个数量级的状态，旨在通过根据目标制作难以区分的赝品来进行基准评估。

Mar, 2018

我们提出了一个大规模、多样化且高保真度的数据集 GenFace，用于推动深度伪造检测的发展，该数据集包含了由先进生成器生成的大量伪造人脸，如扩散模型，并提供了有关操作方法和采用生成器的更详细的标签。此外，我们设计了一种创新的跨外观边缘学习（CAEL）检测器，用于捕获多粒度的外观和边缘全局表示，并检测具有区分性和普遍的伪造痕迹。此外，我们设计了外观 - 边缘交叉注意力（AECA）模块，以探索两个域之间的各种整合。广泛的实验结果和可视化显示，我们的检测模型在跨生成器、跨伪造和跨数据集评估等不同设置下优于最先进的模型。

Feb, 2024

通过构建大规模数据集 FFIW-10K，该数据集包括了 10000 个高质量伪造视频，每个画面平均有三个人脸，再结合一个新算法，从而提升了人脸伪造检测的性能，该算法在 FFIW-10K 和现有基准测试上表现优秀。

Mar, 2021

在本文中，我们使用基于 GAN 的开源软件从 VidTIMIT 数据库的视频生成 Deepfake 视频，调整不同的训练和混合参数对生成视频的质量有显著影响，并表明当前的人脸识别系统和现有的检测方法都很容易受到 Deepfake 视频的干扰。

Dec, 2018

本文报告了 DeeperForensics Challenge 2020 关于真实世界人脸伪造检测的方法和结果，使用 DeeperForensics-1.0 数据集进行模型评估，总共有 115 名参赛者和 25 个团队进行了有效提交，文中将对获胜解决方案进行总结，并对潜在的研究方向进行讨论。

Feb, 2021

本文针对社交媒体中伪造脸部的困扰，进行了综合研究，首次创建了一个大规模数据集 OpenForensics，并利用其丰富注释，评估了各种情景下的最新实例检测和分割方法的效果，以推动深度伪造的预防和人脸检测等方面的研究。

Jul, 2021

本文对当前合成图像生成和处理技术的发展进行了探讨，并提出了一个基于 DeepFakes，Face2Face，FaceSwap 和 NeuralTextures 的面部操作检测基准，包括超过 180 万个操纵图像的数据库，并通过数据驱动型假冒检测器的详尽分析证明了使用额外领域特定知识的方法能够显著提高假冒检测的准确性。

Jan, 2019

构建了最大的公共面部伪造数据集 ForgeryNet，涉及 2.9 百万张图片和 221,247 个视频，在图像和视频级数据上包含 4 个任务：图像伪造分类、空间伪造定位、视频伪造分类、和时间伪造定位，提供了对面部鉴定算法的完整评价。

Mar, 2021

本文介绍了用于 AI 生成视频检测的广泛视频数据集 GenVidDet 和一种创新有效的方法 Dual-Branch 3D Transformer，该方法能够以 96.77% 的准确率区分真实视频和生成视频内容，并对未知类型具有较强的泛化能力。

May, 2024